Introdução aos Agentes Inteligentes
Aula: Agentes Inteligentes
Flávia Barros
1
Agentes Inteligentes
Plano da aula

O que é um Agente Racional (inteligente)?

Ambientes e arquiteturas

IA distribuída

Metodologia de desenvolvimento

Conclusão
2
O que é um Agente?
Qualquer entidade (humana ou artificial) que:

está imersa ou situada em um ambiente
 físico, virtual/simulado

percebe seu ambiente através de sensores
 ex. câmeras, microfone, teclado, ...

age sobre o ambiente através de atuadores
 ex. vídeo, autofalante, impressora, braços, ...

possui objetivos próprios
 explícitos ou implícitos

escolhe suas ações em função das suas percepções
para atingir seus objetivos
3
Agentes Inteligentes x Sistemas de IA Clássica
Sistema
Inteligente
Agente
Interpretação
das percepções
Sensores
IA
Ambiente
Dados de
Entrada
Raciocínio
Objetivos
Atuadores
Objetivos
Raciocínio =
escolha das
ações
IA
Dados de
Saída
IA
Agente Racional (Inteligente)
Agente Racional

faz a melhor coisa possível

segue o princípio da racionalidade:
 dada uma seqüência perceptiva, o agente escolhe, segundo seus
conhecimentos, as ações que melhor satisfazem seu objetivo
Racionalidade  Onisciência

Limitações de:
 sensores
 atuadores
 “raciocinador" (conhecimento, tempo, etc.)
5
Agente Racional
Medida de Desempenho
Então como vamos medir o “sucesso” do agente?

Usando uma “medida de desempenho”
 Quando o agente é colocado em um ambiente, ele gera uma
seqüência de ações com base nas suas percepções.
 Essa seqüência de ações leva o ambiente a modificar-se
passando por uma seqüência de estados.
 Se essa seqüência de estados é “desejável”, então o agente
teve um bom desempenho!
Contudo...


Não existe uma medida de sucesso fixa para todos os agentes
Assim sendo, vamos optar por uma medida de performance
objetiva, que seja determinada pelo projetista o agente!
6
Cuidado... na computação, nem todo
agente é inteligente (racional)!
Inteligência
Artificial
Engenharia
de Software
Agentes
Sistemas
Distribuídos
7
Outras propriedades associadas aos Agentes
Autonomia (IA)

raciocínio, comportamento guiado por objetivos

reatividade
Adaptabilidade & aprendizagem (IA)
Comunicação & Cooperação (IA)
Personalidade (IA)
Continuidade temporal
Mobilidade
8
Outras propriedades associadas aos Agentes
Autonomia de raciocínio (IA):


Requer máquina de inferência e base de conhecimento
Essencial em sistemas especialistas, controle, robótica, jogos,
agentes na internet ...
Adaptabilidade (IA):



Capacidade de adaptação a situações novas, para as quais não foi
fornecido todo o conhecimento necessário com antecedência
Duas implementações
 aprendizagem e/ou programação declarativa
Essencial em agentes na internet, interfaces amigáveis ...
9
Outras propriedades associadas aos Agentes
Comunicação & Cooperação (Sociabilidade) (IA):


IA + técnicas avançadas de sistemas distribuídos:
 Protocolos padrões de comunicação, cooperação, negociação
 Raciocínio autônomo sobre crenças e confiabilidade
 Arquiteturas de interação social entre agentes
Essencial em sistemas multi-agente, comércio eletrônico, ...
Personalidade (IA):


IA + modelagem de atitudes e emoções
Essencial em entretenimento digital, realidade virtual, interfaces
amigáveis ...
10
Outras propriedades associadas aos Agentes
Continuidade temporal e persistência:

Requer interface com sistema operacional e banco de dados

Essencial em filtragem, monitoramento, controle, ...
Mobilidade:


Requer:
 Interface com rede
 Protocolos de segurança
 Suporte a código móvel
Essencial em agentes de exploração da internet, ...
11
Como descrever um Agente Racional?
Pode ser descrito em termos de seu PEAS

P – performance

E – (environment) ambiente

A – atuadores

S – sensores

e outros agentes – nos sistemas multiagentes
12
Exemplo: Agente de Polícia
Raciocínio
Agente
Conhecimento:
- leis
- comportamento
dos indivíduos,...
percepção
Ambiente
Objetivo:
- fazer com que as leis
sejam respeitadas
execução
Ações:
- multar
- apitar
- parar, ...
Exemplos de Agentes e seus PEAS
Agente
Performance
E (Ambiente)
Agente de
Diagnóstico
médico
Paciente
saudável,
minimizar
custos,...
Paciente, hospital,
funcionários...
Agente de
Análise de
imagens de
satélite
Agente Tutorial
de inglês
categorizar
corretamente as
imagens
Imagens de
satélite
Melhorar o
desempenho do
estudante
Conjunto de
estudantes,
escola...
Agente robô de
linha de
montagem
Percentual de
peças
corretamente
montadas
Segurança,
rapidez,
economia,
conforto,...
Agente
Motorista de
taxi
Esteira com
peças...
Ruas, pedestres,
outros carros,
passageiros...
Atuadores
Sensores
Auto-falantes
Câmera, leitora de
(para falar com o
exames
paciente), display
(scanner?),
para mostra textos
microfone,
ao paciente...
teclado,...
Display para
Equipamento para
mostrar o
capturar as
resultado a
imagens
análise
Impressora,
Câmera, para
display com
capturar imagens
exercícios,
do aluno;
sugestões e
Microfone,
correções,...
teclado,...
Braço e mão
Câmera, sensores
mecânicos
de ângluos
Acelerador, freios,
espelhos, buzina,
etc...
Câmera,
velocímetro,
GPS,...
Ambientes
15
Ambientes
Classes de ambientes

Ambiente físico: agentes robôs

Ambiente de Software: agentes softbots

Ambiente de Realidade virtual (simulação do ambiente físico):
agentes softbots e avatares
Propriedades de um ambiente







totalmente observável x parcialmente observável
determinista x estocástico
episódico x seqüencial
estático x dinâmico
discreto x contínuo
um agente x multiagentes
complexidade: número de percepções, ações, objetivos,...
16
Ambientes: propriedades
Totalmente observável

quando os sensores do agente conseguem perceber o estado
completo do ambiente.
Determinista

o próximo estado do ambiente pode ser completamente
determinado pelo estado atual e as ações selecionadas pelo agente.
Episódico



A experiência do agente é dividida em episódios.
Cada episódio consiste em o agente perceber e então agir.
Cada episódio não depende das ações que ocorreram em episódios
prévios.
17
Ambientes: propriedades
Estático


o ambiente não muda enquanto o agente está escolhendo a ação
a realizar.
Semi-estático: o ambiente não muda enquanto o agente
delibera, mas o "score" do agente muda.
Discreto

quando existe um número distinto e claramente definido de
percepções e ações em cada turno.
Contínuo

percepções e ações mudam em um espectro contínuo de valores.
18
Exemplos de Ambientes
Agente
xadrez sem relógio
observável determinista episódico
Sim
Sim
Não
estático
Sim
discreto
Sim
xadrez com relógio
Sim
Sim
Não
Semi
sim
gamão
sim
não
não
sim
sim
motorista de taxi
Não
Não
Não
Não
Não
médico
Não
Não
Não
Não
Não
tutor
Não
Não
Não
Não
Sim
Analisador de imagem
Sim
Sim
Sim
Semi
Não
Busca na web
Não
Não
Sim
Não
Sim
Filtrador de mail
Sim
Não
Sim
Não
Sim
> A complexidade do ambiente é dada por:
número de percepções, ações e objetivos possíveis
Agentes
Algoritmo Básico e Arquiteturas
20
Agentes: Algoritmo básico
função agenteSimples (percepção) retorna ação
memória := atualizaMemória (memória, percepção)
ação := escolheMelhorAção(memória,objetivos)
memória := atualizaMemória (memória, ação)
retorna ação
21
Agentes: Arquiteturas
Agente reativo
Agente reativo com estado interno
Agente cognitivo (baseado em objetivos)
Agente otimizador
Agente adaptativo
autonomia
complexidade
22
Agentes: Arquiteturas
De forma bem simplificada, um agente pode ser visto
como um mapeamento:
seqüência perceptiva => ação
ambiente

sensores
Raciocinador
Agente
modelo do
ambiente
atuadores
23
ambiente
Agente Tabela?
Não é um agente racional...
sensores
Agente
Tabela
Percepções ações
.
.
.
.
atuadores
Limitações

Mesmo problemas simples requerem tabelas muito grandes
 ex. xadrez 30^100

Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela

Não tem autonomia nem flexibilidade
Ambiente

Totalmente observável, determinista, episódico, estático, discreto e minúsculo!
ambiente
Agente Reativo Simples
Agente
sensores
Como está o mundo agora?
Que ação devo escolher agora?
Regras
“condição-ação”
atuadores
Vantagens e desvantagens


Regras condição-ação - representação inteligível, modular e eficiente
 ex. Se velocidade > 60 então multar
Não pode armazenar uma seqüência perceptiva, tem pouca autonomia
Ambiente


Totalmente observável, episódico, pequeno
Reflexo é imprescindível em ambientes dinâmicos
Agente Reativo baseado em Modelo do Mundo
Agente
sensores
estado: como o mundo era antes
ambiente
Como está o mundo agora?
como o mundo evolui
impacto de minhas ações
Que devo fazer agora?
atuadores
Desvantagem: pouca autonomia

não tem objetivo, não encadeia regras
Ambiente: determinista e pequeno
Ex. Tamagotchi
Regras
“condição-ação”
Agente cognitivo - Baseado em Objetivo
Agente
ambiente
sensores
estado: como o mundo era antes
Como está o mundo agora?
como o mundo evolui
Como ele ficará se faço isto?
impacto de minhas ações
Que devo fazer agora?
Objetivos
atuadores
Vantagens e desvantagens


Mais complicado e ineficiente, porém mais flexível, autônomo
Não trata objetivos conflitantes
Ambiente: determinista
Ex. de objetivo: xeque-mate no xadrez
Agente otimizador - baseado em utilidade
Agente
sensores
estado: como o mundo era antes
Como está o mundo agora?
Como ele ficará se faço isto?
ambiente
Este novo mundo é melhor?
Que ação devo escolher agora?
atuadores
Ambiente: sem restrição
Desvantagem: não tem adaptabilidade
Ex. motorista de táxi

Segurança e velocidade – conflito!
como o mundo evolui
qual é o impacto de
minhas ações
Função de Utilidade
Agente que aprende
Agente
sensores
t+1
avaliação
ambiente
t
elemento de
execução (agente)
crítico
trocas
elemento de
conhecimento aprendizagem
t
atuadores
objetivos de
aprendizagem
Gerador de
problemas
Ambiente: sem restrição
Vantagem: tem adaptabilidade (aprende)

Contudo, não necessariamente trata dois objetivos conflitantes
Ex. motorista sem o mapa da cidade
Inteligência Coletiva
IA Distribuída
30
Inteligência Coletiva
Por que pensar a inteligência/racionalidade como
propriedade de um único indivíduo?
Não existe inteligência ...




Em um time de futebol?
Em um formigueiro?
Em uma empresa (ex. correios)?
Na sociedade?
Solução: IA Distribuída
31
IA Distribuída
Agentes simples que juntos resolvem problemas
complexos

tendo ou não consciência do objetivo global
O próprio ambiente pode ser modelado como um
agente
Dois tipos de sistemas:

Resolução distribuída de problemas

Sistemas Multiagentes
32
Resolução distribuída de problemas
Cada agente tem consciência do objetivo global
Existe uma divisão clara de tarefas
Exemplos:

Robótica clássica, Busca na Web, Gerência de sistemas
distribuídos, ...
33
Sistemas Multiagentes
Não existe consciência do objetivo global
Não existe divisão clara de tarefas
Exemplos:

n-puzzle (jogo dos 8-números), futebol de robôs,
balanceamento de carga, robótica, ...
3
7
4
3
5
7
8
1
4
2
6
5
8
2
1
1
2
3
6
4
5
6
7
8
34
Agentes em IA
Metodologia para projeto de sistemas e
dicas de implementação
35
Projeto
Metodologia de desenvolvimento
Decompõe o problema em:


PEAS dos agentes (Performance, Environment (ambiente),
Atuadores e Sensores); &
Objetivos (ou função utilidade, se for o caso) dos agentes;
Decompõe o conhecimento do agente em:





Quais são as propriedades relevantes do mundo?
Como identificar os estados desejáveis do mundo?
Como interpretar as suas percepções?
Quais as conseqüências das suas ações no mundo?
 Como medir o sucesso de suas ações?
Como avaliar seus próprios conhecimentos?
 São suficientes para resolver o problema?
36
Projeto
Metodologia de desenvolvimento
O resultado dessa decomposição indica:


Arquitetura de agente adequada ao ambiente e ao
problema a ser tratado
O método de resolução de problema (raciocínio)
37
Como desenvolver um software inteligente?
Projeto:

Modelar o problema em termos de PEAS e Objetivos (ou função
utilidade) dos agentes

Identificar o tipo de ambiente

Identificar a arquitetura do(s) agente(s)
Implementação:



Componentes do agente
O simulador de ambientes
Testar o desempenho com diferentes instâncias do ambiente
38
Implementação
Simulação do Ambiente
Às vezes, é mais conveniente simular o ambiente



mais simples
permite testes prévios
evita riscos, etc...
O ambiente (pedaço de código...)



recebe os agentes como entrada
fornece repetidamente a cada um deles as percepções corretas e
recebe as ações escolhidas
atualiza os dados do ambiente em função dessas ações e de
outros processos (ex. dia-noite)

é definido por um estado inicial e uma função de atualização

deve refletir a realidade
39
Simulação de Ambientes
função simulaAmbiente (estado, funçãoAtualização,
agentes,final)
repita
para cada agente em agentes faça
Percept[agente] := pegaPercepção(agente,estado)
para cada agente em agentes faça
Action[agente] := Programa[agente] (Percept[agente])
estado := funçãoAtualização(ações, agentes, estado)
scores := avaliaDesempenho(scores,agente,estado) //opcional
até final
Cuidado para não cair em tentação e “roubar” do ambiente a
descrição do que aconteceu. Use a memória do agente!
40
Por que usar a “metáfora” de agentes?
1. Fornece uma visão unificadora das várias sub-áreas
da IA
2. Fornece metodologias de desenvolvimento de sistemas
inteligentes estendendo as de engenharia de software
3. Ajuda a embutir a IA em sistemas computacionais
tradicionais
4. Permite tratar melhor a interação com o ambiente
5. Permite tratamento natural da IA distribuída
41
Próxima Aula
Agentes baseados em conhecimento
42